本文综述了零样本图像分割与零样本学习的进展。ZegFormer通过无类别分组和分割标签实现零样本分类，并结合CLIP提升性能；ZS3Net结合词嵌入与自训练；其他方法包括生成模型合成未见类特征、GZSL低维嵌入、DSVTM语义视觉互适应、GAN视频分类及ContrastZSD对比学习。

2023年多项研究评估并拓展了Meta的Segment Anything Model（SAM）。SAM基于点、框等提示实现零样本图像分割，精度常媲美甚至超越专用模型，但在航空图像等场景仍会失败。后续工作将SAM与开放词汇检测、3D检测、遥感分割、CLIP等结合，提出Sambor、Open-Vocabulary SAM、GeoSAM等框架，并用于少样本分割和显著目标检测，显著提升性能。

研究开发了基于便宜的输入提示的Segment Anything Model（SAM），可在输入的图像中分割对象。SAM在大量基准任务中研究，发现其零样本图像分割准确性通常与训练的视觉模型类似。但在航空图像问题中，由于独特特征，SAM在某些情况下会失败。

本文介绍了一个名为Segment Anything Model（SAM）的基础模型，用于视觉任务中的图像分割。SAM在零样本图像分割准确性方面表现出色，并在多样化的基准任务集上取得了良好的表现。然而，在航空图像问题中，SAM在某些情况下会失败。

本文介绍了一个名为Segment Anything Model（SAM）的基础模型，用于视觉任务的开发。SAM可以根据廉价的输入提示在图像中进行对象分割。作者通过大量的视觉基准任务研究了SAM的零样本图像分割准确性，并发现SAM通常能够实现与目标任务上训练的视觉模型类似甚至超过其识别精度。他们还检查了SAM在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了SAM在航空图像问题中的表现，发现由于航空图像和目标对象的独特特征，SAM在某些情况下会失败。